原子核是物質的一個非常重要的層次，它由質子和中子組成。上世紀三十年代，科學家們就已經發現當質子或中子數為2、8、20、28、50、82、126 時，原子核會表現出相對穩定的性質，因此這些數字被稱為“幻數”。幻數的存在被認為是原子核具有殼層結構的直接證據，對核物理的研究產生了深遠的影響。
然而，隨著對滴線附近核素性質研究的不斷深入，科學家們發現幻數并不是一成不變的。傳統幻數是否在遠離穩定線的原子核中依然存在?是否有新幻數出現?這些前沿科學問題直接影響著人們對原子核的認知，甚至關聯著新物理現象，是當今核物理研究的熱點。尤其是遠離穩定線的“雙幻核”氧-28和錫-100中的傳統幻數是否會發生變化，是當前幻數演化研究的焦點之一。
目前，機器學習被廣泛應用于各個領域。在物理學研究中，已經發現它在多個方面的表現優于傳統的理論物理模型。原子核第一激發態的能量以及其躍遷到基態的電磁躍遷幾率是幻數的重要判據。因此，研究人員提出利用先進的機器學習算法研究原子核的低位激發態能量和電磁躍遷幾率,從而解密原子核的幻數演化。
在該研究中，研究人員考慮了多個原子核的特征量,針對核素圖上所有質子數和中子數都是偶數的原子核，高精度重現了其低位激發態躍遷到基態的電磁躍遷幾率的實驗數據。研究顯示，機器學習的準確度高于迄今為止所有的核結構模型和其它機器學習算法的結果。
得益于機器學習對已有復雜實驗數據的高精度解析和其強大的外推能力，研究人員發現氧-28中第一激發態的能量和電磁躍遷幾率都指向傳統中子幻數20消失，這與2023年《自然》雜志報道的結論一致。研究人員發現錫-100中傳統幻數50依舊保持。
研究團隊還對原子核特征量進行了細致分析，發現部分特征量對機器學習模型進行準確預測具有重要影響，這對人們深入理解低位激發態能量、電磁躍遷幾率和發展新的理論模型都有一定幫助。此次研究成果也為未來在我國強流重離子加速器裝置(HIAF)開展相關實驗提供了指導與參考。
圖：機器學習方法得到的核素圖上所有偶偶核的第一激發態能量分布圖。(圖/李志龍)
該研究得到了國家重點研發計劃、國家自然科學基金、中法科研伙伴交流計劃項目、中國科學院未來伙伴網絡專項以及湖州師范學院計算中心的支持。
